Rastreando comunidades em evolução em cascatas de notícias falsas usando grafos temporais

Por que boatos online se espalham em grupos fechados

Quando histórias falsas correm pelas redes sociais, raramente viajam sozinhas. Em vez disso, são impulsionadas, compartilhadas e repetidas por grupos de usuários que atuam em conjunto. Este estudo faz uma pergunta simples, porém urgente: é possível rastrear como esses grupos online se formam e mudam ao longo do tempo, e usar esse conhecimento para desacelerar a propagação de notícias falsas — sem sequer ler o conteúdo das postagens?

Seguindo os caminhos de histórias enganosas

Os pesquisadores se concentram em “cascatas de informação” em plataformas como o Twitter — cadeias de retweets e respostas que se desenrolam após o surgimento de uma história. Em vez de tratar os usuários como indivíduos isolados, eles analisam como as pessoas se agrupam em comunidades à medida que um boato se espalha. Essas comunidades podem ser promotores dedicados da história falsa, comentaristas céticos ou espectadores comuns que acabam envolvidos. O desafio é que as multidões online estão em constante mudança: pessoas entram e saem, conversas se dividem e se fundem, e a estrutura da rede varia de hora em hora.

Um quadro passo a passo para rastrear comunidades

Para enfrentar isso, os autores apresentam o TIDE-MARK, um framework em múltiplas etapas construído para seguir comunidades de usuários em evolução ao longo do tempo. Primeiro, eles reconstruem cada cascata a partir de IDs brutos de tweets, transformando-a em uma série de instantâneos horários em que os nós são usuários e as ligações representam retweets ou respostas. Enriquecem cada usuário com informações de perfil simples e um resumo numérico dos tweets que compartilham. Em seguida, uma rede neural temporal aprende como as conexões e o comportamento de cada usuário mudam entre os instantâneos, produzindo uma “impressão digital” compacta para cada usuário em cada hora.

De multidões desfocadas a grupos estáveis

Usando essas impressões digitais, o TIDE-MARK agrupa usuários semelhantes em comunidades preliminares. Depois, modela como as comunidades mudam de um instantâneo para o outro, estimando a probabilidade de membros de um grupo permanecerem juntos, se dividirem ou se juntarem a outro grupo. Por fim, um módulo de aprendizado por reforço limpa as bordas difusas entre as comunidades. Ele testa repetidamente pequenas mudanças — mover usuários individuais de uma comunidade para outra — e mantém as alterações que tornam os grupos mais internamente conectados, mantendo consistência com passos de tempo anteriores. O resultado é uma imagem mais clara e estável de quem está coordenando com quem à medida que a cascata se desenrola.

Como são as comunidades de notícias falsas e verdadeiras

A equipe aplica o TIDE-MARK a três grandes conjuntos de dados de notícias falsas abrangendo política, fofocas de celebridades e informações de saúde sobre COVID-19. Em todos eles, encontram o mesmo padrão: histórias falsas tendem a fluir por comunidades mais coesas e persistentes do que as verdadeiras. Esses grupos de notícias falsas são mais densamente conectados internamente, têm fronteiras mais nítidas em relação ao resto da rede e mantêm aproximadamente a mesma composição ao longo do tempo. A notícia verdadeira, em contraste, se espalha por grupos mais frouxos e dispersos que se reconfiguram conforme as discussões evoluem. Notavelmente, as características estruturais que o TIDE-MARK extrai — quão coesas e estáveis são as comunidades — são suficientemente fortes para ajudar classificadores simples a distinguir cascatas falsas de verdadeiras, mesmo sem analisar o texto.

Testando formas de interromper cascatas nocivas

Como o TIDE-MARK fornece uma visão em nível de comunidade, ele também pode ser usado para simular intervenções. Os pesquisadores testam o que acontece se, no início de uma cascata de notícias falsas, você remove apenas alguns usuários altamente conectados da comunidade mais persistente — um substituto idealizado para suspender contas ou limitar seu alcance. Em simulações, essa remoção direcionada enfraquece fortemente a estrutura da cascata e reduz seu maior componente conectado, sugerindo que estratégias conscientes da estrutura e neutras quanto ao conteúdo podem desacelerar significativamente a propagação da desinformação.

O que isso significa para o combate à desinformação

Em termos práticos, este trabalho mostra que notícias falsas frequentemente circulam por “clubes de fãs” duradouros de usuários coordenados, enquanto notícias verdadeiras circulam por multidões mais fluidas. O TIDE-MARK oferece uma maneira de ver e rastrear esses grupos em tempo real, sem ler ou julgar o conteúdo em si. Isso o torna uma ferramenta promissora para plataformas, pesquisadores e formuladores de políticas que desejam identificar padrões de coordenação arriscados e desenhar intervenções cuidadosas e direcionadas — potencialmente desarmando cascatas nocivas antes que se espalhem por completo.

Citação: Ma, Y., Qu, D. & Wang, Y. Tracking evolving communities in fake news cascades using temporal graphs. Sci Rep 16, 4952 (2026). https://doi.org/10.1038/s41598-026-35175-4

Palavras-chave: notícias falsas, redes sociais, detecção de comunidades, propagação de desinformação, moderação de mídias sociais